关键词： 强对流   深度学习   轨迹GRU   GAN  

摘要： 利用2021—2022年4—9月阿克苏地区冰雹云的雷达回波资料,基于轨迹GRU模型和GAN模型共同构建一个深度学习的回波外推模型,应用于强对流(冰雹)天气监测预警。采用分阈值和预报时效的评估方法,对深度学习的回波外推模型预测回波的效果进行分析,结果表明:(1)在30 min预测时间内,随反射率阈值增加,临界成功指数(CSI)和命中率(POD)逐渐降低,虚警率(FAR)先降低后升高,FAR在反射率阈值为35 dBZ时最低。(2)在反射率阈值为35 dBZ和相同外推时效的情况下,基于深度学习的回波外推模型和光流法相比,CSI提高0.05~0.15,POD提高0.05~0.15,FAR降低0.05~0.12。(3)在预测反射率阈值为35 dBZ的强对流单体移动路径方面,基于深度学习的回波外推模型与TITAN法相比,预测的单体移动路径更接近实况单体移动路径。

关键词： 法医人类学   医学统计学   机器学习   年龄推断   骨龄   牙龄   综述  

摘要： 活体年龄推断研究中通常需要对大量的数据进行数理统计分析,合理的医学统计方法在数据整理和分析中发挥着重要作用,选择准确、恰当的统计方法是影响研究结果质量的关键因素之一。本文综述了活体年龄推断研究中描述性统计、差异性分析、一致性检验、多元统计分析等较为常用的医学统计方法以及浅层学习、深度学习等机器学习方法的原理和适用原则,并概括介绍了医学统计方法和机器学习方法之间的关联性和应用前景,旨在为活体年龄推断研究获得更为科学、精准的结果提供技术指引。

关键词： 烃微渗漏   图像分类   机器学习   卷积神经网络  

摘要： 油气藏的烃微渗漏是一种普遍存在的现象,遥感技术为油气藏的烃微渗漏地表检测提供了高效快捷的方法.传统的基于烃微渗漏机理的方法通过检测烃微渗漏引起的地表异常(植被、蚀变矿物等)响应以提取烃微渗漏位置,方法简单,但多解性强.本文以哈萨克斯坦Marsel探区为研究对象,提出了一种基于机器学习的遥感影像烃微渗漏异常提取方法.首先以研究区地表微生物检测结果为基础制作训练样本,为了对比不同样本学习结果,分别制作了斑块样本(patch sample)数据集和像元样本(pixel sample)数据集,在此基础上采用逻辑回归、支持向量机、随机森林、LeNet、AlexNet、GoogLeNet、ResNet算法构建两类数据集的学习模型.结果表明,对于经典机器学习算法,斑块样本最高准确率达0.833,像元样本最高达0.771;对于深度学习算法,斑块样本最高达0.782,像元样本最高达0.914.最后把这准确率最高的四种算法模型应用于哈萨克斯坦Marsel探区,并与地质地震资料进行对比,发现ResNet-18-1D对像元样本的预测结果与地震地质分析资料的对应性最佳,且准确率达0.914,Kappa系数达0.892.

关键词： 预测算法   多标签学习   神经网络   机器学习  

摘要： 深度神经网络在当下各领域的研究中都表现出极为突出的性能优势。但传统神经网络模型在处理多标签学习任务中面临的一系列问题,使其往往难以取得较好的预测精度。建立自适应强且可扩展多标签学习方法,是当前多标签学习领域的研究重点。在此提出了一种新的多标签学习方法,不单独处理任何一类标签,而是把样本的全部标签看作一个整体,对其进行编码,使用柔性神经树进行分类,进而将其拓展到处理多标签学习任务,对分类结果做译码。该方案既没有破坏样本多标签间的相关性,又是柔性神经树模型在多标签学习中的首次应用。在两类多标签蛋白质数据集上的实验结果表明,与其他常用多标签学习模型相比,提出的多标签学习方法能够在较大程度上提升多标签学习性能。

关键词： 航空发动机   剩余寿命预测   协方差分析   注意力机制   长短期记忆网络  

摘要： 为提高航空发动机剩余寿命(remaining useful life,简称RUL)预测能力,构建了一种注意力机制与长短期记忆网络(long short-term memory,简称LSTM)融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差(root mean square error,简称RMSE)范围为[4.83,13.66],与卷积神经网络(convolutionneuralnetworks,简称CNN)、LSTM和双向长短期记忆网络(bi-directionallongshort-term memory,简称Bi-LSTM)方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。

关键词： 毫米波雷达   人体关键点检测   域适应   跨模态学习   深度学习  

摘要： 人体关键点检测是在行为识别、动作捕捉等领域有着重要作用。基于视觉的方法会受光线环境影响,还可能会在室内环境中引发隐私问题,可穿戴设备的方法则不适用于非合作目标。基于此,提出了一种基于4D毫米波雷达点云的人体关键点检测方法,分析了使用毫米波点云进行关键点检测存在的问题。为了解决这些问题,提出了毫米波人体关键点检测(Millimeter Wave Human Pose Detection,mmWPose)系统;为了便于提取点云特征,设计了一种二维化方法用于处理点云数据,可以显著减少模型在特征提取阶段的参数量;为了进行数据标注,运用跨模态监督来训练目标模型;为了增强目标模型的泛化能力,设计了一个域适应模块协助目标模型分辨点云数据中属于环境的特征。实验证明,研究提出的mmWPose系统能够解决毫米波点云存在的问题,实现高精度的人体关键点检测。

关键词： 鼻咽肿瘤   解剖结构变化   人工智能   深度学习   放射疗法,自适应  

摘要： 目的利用深度学习预测鼻咽癌患者疗程中的解剖图像,用于及时发现鼻咽癌患者放疗疗程中可能发生的解剖结构变化。方法收集2020年1月1日至2022年12月31日于中国医学科学院肿瘤医院就诊的230例T 3-T 4期鼻咽癌患者的图像资料,包括计划CT(pCT)和各分次的锥形线束CT(CBCT)图像。使用3D Unet神经网络预测放疗第k+1周的解剖图像,输入包括pCT、第1-3天的CBCT和第2-k周的各1次CBCT。训练了4个模型分别用于预测第3-6周的解剖图像。在预测图像和真实图像上勾画出鼻咽原发肿瘤(GTV_(nx))和左右腮腺,通过评估预测图像和真实图像上勾画结构的一致性来评估模型性能。结果本研究提出的方法能较准确预测整个放疗疗程中的解剖图像。预测与真实图像上感兴趣轮廓的一致性较高,GTV_(nx)、左腮腺、右腮腺的戴斯相似性系数平均值分别为0.96、0.90、0.92,平均豪斯多夫距离分别为3.28、4.18、3.86 mm,平均最小距离分别为0.37、0.70、0.60 mm。结论利用深度学习方法预测鼻咽癌患者疗程中解剖图像的方法准确可行,有助于提前预测和准备治疗策略,实现个性化治疗。

关键词： 强化学习   快速探索随机树   回报奖励机制   全局路径规划  

摘要： 针对强化学习运用于局部路径规划时目标方向不明确易陷入局部最优的情况以及快速探索随机树(RRT)算法规划路径复杂、冗余点多等问题,提出一种融合RRT算法与强化学习(RL)思想的全局路径规划算法。首先,通过RRT全局路径规划算法弱化、减少强化学习算法易于陷入局部最优的问题,并且在一定程度上可以减少规划迭代时间;其次,采用强化学习算法的最大回报奖励机制强化RRT算法在路径规划过程中选择子节点时的目的性,避免过多随机点。实验结果表明,所提算法有效弱化了局部最优所带来的绕远影响,路径长度缩短33.3,凹、凸地形有效节点占比分别提高36.0%和39.6%,侧面反映冗余点数量减少,验证了该算法的可行性。

关键词： 京津冀   低能见度天气预报   ERA5再分析资料   机器学习  

摘要： 利用2017—2021年的ERA5再分析资料和京津冀国家站地面资料,结合多种机器学习方法建立预报模型,开展轻雾、大雾客观预报。探讨了再分析资料、地形因素的影响,并结合多模型集成、统计消空进一步优化模型。结果表明:(1)XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)、随机森林等集成学习方法的预报效果均优于决策树方法;(2)在引入ERA5再分析资料、地形建模后,XGBoost、LightGBM模型的预报性能显著提高。相比仅使用地面要素建模,大雾预报的TS(Threat Score)提升了30%、32%,达到0.52、0.49,命中率分别为0.62、0.87。此外,经过多模型集成后,轻雾、大雾预报的TS提升到了0.51、0.54;(3)2022年秋季一次大雾过程中,本方法提前72 h准确预报了京津冀地区的大雾,其中以LightGBM模型表现最好。0~72 h轻雾预报和0~36 h逐小时大雾预报的TS均达到0.3,预报准确率、时效性均优于ECMWF(European Center for Medium Weather Forecasting)模式。

关键词： 强化学习   数据增强   高斯噪声   状态向量输入   环境适应  

摘要： 状态向量输入的强化学习方法是一种基本的强化学习研究方向,具有广泛的应用前景。针对目前强化学习方法数据效率低下导致学习时间较长从而难以在现实环境中应用的问题,提出了一种环境适应的高斯噪声数据增强(environment-adapted Gaussian noise augmentation,EAGNA)方法,并将其作为一个模块插入到软演员-评论家(soft actor-critic,SAC)和近端策略优化(proximal policy optimization,PPO)方法中。针对任务环境中状态向量的各个元素分布范围,对每个元素添加具有不同均值和标准差的高斯噪声,从而达到增强数据的目的。在OpenAI Gym基准测试的3个基于状态向量输入的控制任务中,EAGNA较原算法获得了更高的平均回报,提高了算法的数据效率。特别是在具有复杂状态输入的Lunar Lander控制任务中,EAGNA获得的平均回报比SAC和PPO方法分别高出30.52和26.09。